UTILIZACIN DE

MODELOS

DE

INTERPOLACIN

DE MARKOV

PARA

LA

IDENTIFICACIN DE SECUENCIAS DE GENES

Marco Gerardo Torres Andrade

Resumen Uno de los principales problemas a resolver en la bioinformtica es la identificacin de genes dentro de un cdigo gentico. Una de las alternativas que presenta mayor aplicabilidad en este tipo de problemas es el uso de modelos basados en cadenas de Markov; sin embargo, existe un conjunto de modelos conocidos como modelos de interpolacin de Markov (IMM) que presentan un mejor desempeo para este tipo de problemas. Los IMM son utilizados por GLIMMER en la identificacin de genes con bastante xito.

Palabras clave: Bioinformtica, Secuenciamiento, Identificacin de genes

Abstract One of most important problems in bioinformatics consists on the identification of genes in a genome. An alternative used for obtaining this objective consists of using applications based on Markov Chains. However, there are a set of models known as Interpolated Markov Models (IMM) that present best results. This kind of models are used by GLIMMER with excelent results.

Key Words: Bioinformtica, Secuenciamiento, Identification of genes

Ingeniero Electricista de la Universidad Nacional de Colombia. Actualmente adelanta sus estudios de magster en Ingeniera de Sistemas en la Universidad Nacional de Colombia. Docente de tiempo completo de la Universidad de Cundinamarca, sede Fusagasuga. marco_gerardo@hotmail.com

1. Introduccin

El problema de realizar una identificacin precisa de los genes en genomas microbianos ha ido creciendo en importancia en la medida en que han incrementado la cantidad de proyectos relacionados con el secuenciamiento de genomas.

Existe una gran cantidad de datos de genomas microbianos dispuestos para ser analizados; por ello se ha ido requiriendo de sistemas computacionales ms precisos que permitan explorar los genomas y aportar nuevos conocimientos sobre ellos.

Uno de los primeros pasos en el anlisis del genoma microbiano consiste en identificar todos sus genes. Este tipo de genomas tienden a ser muy ricos en contenido gentico; poseen del orden del 90% de la secuencia codificada; el trabajo es ms complicado en clulas eucariticas, pues muchas poseen hasta menos del 10% de la secuencia codificada [1].

La razn es la siguiente: Los ADN bacterianos no tienen intrones, razn por la cul la protena es colineal con el ADN. En organismos superiores, las protenas no son colineales con el ADN debido al procesamiento recibido por el hnARN, en el cul son cortados los intrones, para producir el mRNA que va a ser utilizado para la traduccin. De ah radica el problema de los genes a partir de la anotacin del genoma. Una de las anotaciones ms importantes consiste en determinar cules de las secuencias del genoma son genes. Debido a la no colinealidad producida en las clulas eucariticas, de la cul se hizo mencin anteriormente, es necesario para la deteccin de genes definir algo que se conoce como marcos abiertos de lectura (ORF), Los cuales son segmentos de DNA que comienzan en una secuencia de iniciacin ATG (metionina) y en marco encuentra una secuencia equivalente a un codn de terminacin [2].

El problema ms difcil es determinar cules de dos o ms marcos abiertos de lectura representan genes verdaderos. Otra dificultad que se presenta consiste en identificar el inicio de la traduccin y encontrar seales reguladoras tales como los promotores y las secuencias terminadoras.

La forma ms confiable de identificar un gene en un nuevo genoma es encontrar un homlogo cerrado de otro organismo. Ello puede hacerse de forma efectiva mediante el uso de herramientas como el BLAST y el FASTA [1]. Sin embargo, muchos de los genes en genomas nuevos no encuentran un homlogo significativo en genes conocidos. Para este tipo de genes se hace necesaria la utilizacin de algn mtodo computacional que realice la valoracin de la regin codificada para evaluar los genes. El programa ms conocido para tal fin es el GeneMark [1], el cul usa cadenas de Markov para valorar regiones codificadas.

2. Cadenas de Markov

Una cadena de Markov es una secuencia de variables aleatorias X(p) donde la distribucin de probabilidad de cada X(i) depende de una cantidad de k valores precedentes X(i-1), X(i-2),..,X(i-k) [3].

Cada uno de los nucletidos de una secuencia puede diferenciarse por su base correspondiente; por tal motivo es usual hablar indistintamente de nucletido o de base. Los modelos de cadenas de Markov aplicados a secuencias de DNA permiten calcular la probabilidad de ocurrencia de un nucletido (es decir, de la base correspondiente a un nucletido dado) b en la secuencia dependiendo de los k nucletidos inmediatamente anteriores a b en la secuencia.

Los modelos de Markov se utilizan bastante en el anlisis de secuencias de datos biolgicos. Los ms utilizados son las cadenas de Markov de orden fijo, en las cuales el contexto (es decir, la secuencia de k

nucletidos precedentes) se utiliza en cada posicin donde se desea hallar la probabilidad de ocurrencia de un nucletido dado.

Cualquier modelo de cadenas de Markov de orden fijo predice un nucletido de la secuencia de DNA usando los nucletidos anteriores de la secuencia; el modelo de mayor uso es el de cadenas de Markov de quinto orden.

3. Modelos de interpolacin de Markov (IMM) Adems existe una herramienta denominada GLIMMER, la cul usa una tcnica denominada Modelos Interpolados de Markov (IMM) para encontrar regiones codificadas en secuencias microbianas [4].

Los IMM se pueden considerar en principio ms fuertes que las cadenas de Markov. Varios experimentos realizados con esta herramienta han demostrado que produce resultados ms precisos al ser usado para encontrar genes en DNA bacterianos [4].

4. Ventaja que presentan los IMM sobre las cadenas de Markov

El inconveniente que presentan los modelos de cadenas de Markov es que el aprendizaje de algunos modelos puede producir dificultad cuando no se tienen suficientes datos de entrenamiento para que el sistema pueda hacer una estimacin precisa de la existencia de una base determinada con cada combinacin de bases precedentes. Para poder realizar, en estos casos, una estimacin adecuada, deben presentarse una cantidad muy grande de ocurrencias de todas las posibles combinaciones.

Los sistemas basados en IMM funcionan de forma ms adecuada para este tipo de problemas, pues utiliza la combinacin de probabilidades para contextos de diferentes longitudes de nucletidos

precedentes, y solo mediante el uso de estos contextos (oligmeros) se puede suministrar una cantidad de datos suficiente para el entrenamiento del modelo [4].

5. Forma en que se usan los IMM

Un IMM utiliza una combinacin lineal de probabilidades obtenidas para diferentes longitudes de oligmeros que permiten realizar mejores predicciones, ya que el sistema le otorga una alta valuacin a los oligmeros que presentan una alta ocurrencia, mientras que a aquellos que son poco comunes reciben un valor bajo.

As es como los IMM pueden utilizar un contexto largo y realizar a partir de l una prediccin lo ms precisa posible, haciendo uso de las grandes ventajas en cuanto a la precisin que poseen los modelos de Markov de orden superior.

Conclusiones

1. El inters creciente que ha producido el secuenciamiento de genomas ha hecho que la informtica aporte elementos cada vez ms valiosos para la deteccin de genes.

2. En genomas bacterianos existe gran parte de su cdigo secuenciado, ya que sus protenas son colineales con el ADN; en cambio, en clulas eucariticas, el secuenciamiento se ha constituido en una tarea ms difcil debido a que, por el corte de los intrones en el procesamiento que recibe el hnARN para conformar el mARN que es traducido posteriormente, la secuencia se halla fragmentada en el genoma. De ah que una de las anotaciones del genoma de inters para la ciencia ha consistido en detectar cules secuencias son genes.

3. Para ello es necesario definir marcos abiertos de lectura (ORF); estos son segmentos de DNA que comienzan en una secuencia de iniciacin y en marco terminan en un codn de terminacin.

4. La dificultad consiste en determinar cuales ORF corresponden a genes verdaderos, as como tambin la determinacin de promotores, secuencias de terminacin y otro tipo de seales de inters.

5. Una solucin confiable consiste en encontrar homlogos cerrados del organismo que se est estudiando; sin embargo, para algunos de ellos no es fcil obtener homlogos cerrados apropiados.

6. Es por este motivo que el problema de deteccin de genes ha entrado a ser estudiado por informtica, proponiendo modelos estocsticos que permiten determinar la probabilidad de ocurrencia de un nucletido dado a partir de su contexto, es decir, la secuencia de bases precedentes. Un modelo bastante usado es el de las cadenas de Markov. Una cadena de Markov es una secuencia de variables aleatorias X(p) donde la distribucin de probabilidad de cada X(i) depende de una cantidad de k valores precedentes X(i-1), X(i-2),..,X(i-k). Un modelo de cadena de Markov ampliamente usado para detectar genes es el Modelo de Markov de quinto orden, el cul utiliza un contexto de 5 bases para hacer la prediccin.

7. El inconveniente que presentan los modelos de cadenas de Markov es que el aprendizaje de algunos modelos puede producir dificultad cuando no se tienen suficientes datos de un contexto determinado. De ah que haya surgido un modelo que presenta mayores ventajas, llamado modelo de interpolacin de Markov (IMM), el cul utiliza una combinacin lineal de probabilidades obtenidas para diferentes longitudes de oligmeros que permiten realizar mejores predicciones, valorando con una alta calificacin a aquellos que presentan una alta ocurrencia y con una puntuacin baja a los de ocurrencia

poco frecuente. Esta fortaleza la combina con las ventajas en precisin que tienen los modelos de cadenas de Markov, lo cul hace de esta tcnica bastante eficiente para la identificacin de genes.

Referencias Bibliogrfcas [1] DELCHER, Arthur L et.al. (1998). Microbial gene identification using interpolated Markov models. Oxford University press, Nucleic Acids Research, vol 26, No 2. [2] DELCHER, Arthur L et.al. (1999). Improved microbial gene identification with GLIMMER. Oxford University press, Nucleic Acids Research, vol 27, No 23 [3] MOJICA, Tobas et.al. (2001). El lenguaje gentico. Captulo 8: Tecnologas moleculares para analizar los genes. Editorial Celsus. [4] Ross, Sheldon. (1996). Stochastic processes. John Willey and Sons.